week Mar 15,16

04-big-data-analysis-information-systems-developing-technologies.tex

@@ -882,4 +882,42 @@ decision_function_shape='ovr', break_ties=False, random_state=None)
 \subsection{Листовые вершины}
 В каждой листовой вершине дерево будет выдавать константу или вектор вероятностей.
 
+\subsection{Жадный алгоритм построения бинарного решающего дерева}
+Конкретный метод построения решающего дерева определяется
+\begin{enumerate}
+\item Видом предикатов в вершинах
+\item функционалом качества
+\item Критерием останова
+\item Методом обработки пропущенных значений
+\item Методом стрижки удаление некоторых вершин с целью понижения сложности и способности к переобучения
+\end{enumerate}
+
+Обработка пропусков. Задачи регрессии и бинарной классификации.
+
+\textbf{Регрессия:} Заменяем пропущенные значения средними, спрогнозированными другими признаками. \textbf{Решающие деревья.} При построении: выбираем предикат в вершине, отправляем объекты с пропусками в оба поддерева. \textbf{Суррогатные предикаты}.
+
+\subsection{Преимущества и ограничения}
+
+\subsection{Ансамбль алгоритмов}
+Если ответы регрессоров на объекте -- независимые случайные величины с одинаковым матожиданием и дисперсией, то выполняются следующие свойства:
+\begin{equation*}
+  \begin{gathered}
+    \xi = \frac{1}{n}(\xi_1+\xi_2+...+\xi_n)\\
+    E\xi = \frac{1}{n}(E\xi_1+E\xi_2+...+E\xi_n) = \frac{nE\xi_1}{n} = E\xi_1\\
+    D\xi = \frac{1}{n^2}(D\xi_1+D\xi_2+...+D\xi_n) = \frac{D\xi_1}{n}
+  \end{gathered}
+\end{equation*}
+Пусть имеется 3 независимых классификатора с вероятностью ошибки $p$ и решение принимается голосованием по большинству. Какова вероятность ошибки трёх классификаторов?
+\begin{equation*}
+  \begin{gathered}
+    1-p, p, p; p, 1-p, p; p, p, 1-p;\\
+    p^3 + 3p^2(1-p)\\
+    (p+(1-p))^3\\
+    c_n^0p^0+c_n^1p(1-p)^{n-1}+c_n^2p^2(1-p)^{n-2}+...
+  \end{gathered}
+\end{equation*}
+
+\subsection{}
+
+
 \end{document}

04-complex-electronic-devices-developing.tex

@@ -492,7 +492,61 @@ $N=8$, $SNR=49,7dB$. реальный может быть 48,1 или 47,1 (пе
 где N -- разрядность АЦП. Фазовые шумы ТИ накладываются на внутренние фазовые шумы АЦП и так теряются разряды. ТИ должны идти в ту же сторону, что и распространение сигнала. Обязательно через внешние драйверы ТИ с нулевой задержкой. Эмиттерно-селективная логика, дифференциальные сигналы. Снизить шумы позволяют clock-cleaner на основе ФАПЧ. 
 \end{itemize}
 
+\subsection{Тестирование АЦП}
+ДПФ (есть оптимизации -- БПФ) $N = 1024$ отсчётов
+\[X(k) = \frac{1}{N}\sum_{n=0}^{N-1} x(nT) e^{\frac{-j2\pi nk}{N}}\]
+Получим 1024 градаций спектра.
+(1)
 
+подвох --некогерентная дискретизация:
+(2)
+Окно (на неполном или более чем единицном периоде) формирует фазовый сдвиг. Эффект Гибса. Каждый скачок -- это гармоники. Точно рассчитать спектр вообще невозможно. Добавляют умножение на весовую функцию на этапе ДПФ -- операцию взвешивания. Фильтр RAMP, Хэмминга, Хана.
+(3)
+\[X(k) = \frac{1}{N}\sum_{n=0}^{N-1} x(nT) x(W) e^{\frac{-j2\pi nk}{N}}\]
+Тем самым мы достаточно сильно повлияли на входной сигнал.
+
+Для тестирования АЦП необходимо применить когерентную дискретизацию -- один или несколько периоддов дискретизации точно укладываются в окно наблюдения.
+(4)
+
+\section{Характеристики ЦАП}
+Основные характеристики
+\begin{itemize}
+\item Разрядность;
+\item Частота обновления данных.
+\end{itemize}
+
+\subsection{Статические характеристики}
+\begin{itemize}
+\item дифференциальная нелинейность -- отклонение от идеального напряжения в МЗР формирует нелинейность (по горизонтали).
+\item интегральная нелинейность -- отклонение вых значения от идеальной прямой (по вертикали) 
+\item немонотонность -- следствие первых двух
+\item ошибка смещения offset error -- подали 0, на выходе не 0 напряжение (аддитивная ошибка)
+\item ошибка усиления gain error -- наклон шкалы (мультипликативная)
+\end{itemize}
+(5)
+Идеальная характеристика - каждому отсчёту соответствует точка равная определённому разному напряжению. Пропущенных кодов быть не может.
+
+\subsection{Динамические характеристики ЦАП}
+\begin{itemize}
+\item Время установления выходного напряжения (setting time). -- классический аналоговый параметр. Меняется код и на выходе переходной процесс
+  (6)
+Время установления является фактической ответной частью частотой дискретизации.
+\item Форма переходного процесса может отличаться. Эмпирический показатель Область глитч импульса glitch impulse area. Максимальный переходной процесс -- в середине шкалы
+  (7)
+Измеряется в $V\cdot pS$. Иногда измеряют не только площади, но разницы площадей. Проблему решает деглитчер (УВХ). 
+  (8)
+\end{itemize}
+
+\subsection{Архитектуры АЦП}
+\begin{itemize}
+\item последовательного приближения
+\item дельта-сигма
+\item параллельные
+\end{itemize}
+
+Основной элемент -- это компаратор. Это однобитный квантователь, перед ним стоит УВХ.
+(10) получаем 255 уровней квантования. на выходе 255-разрядный (позиционный, температурный) код.
+Приоритетный шифратор формирует N-разрядный код. Слишком много компараторов (дорого, размер, потребление), зависит от точности резисторов (интегральная нелинейность), разброс задержек компараторов (решается цифровыми средствами), паразитные ёмкости.
 
 
 

04-telecommunication-systems-software.tex

@@ -3,7 +3,7 @@
 \input{settings/common-preamble}
 \input{settings/bmstu-preamble}
 \input{settings/fancy-listings-preamble}
-\author{Сидякин И. М.}
+\author{Сидякин Иван Михайлович}
 \title{Программное обеспечение телекоммуникационных систем}
 \date{2023-02-09}
 

04-telematics.tex

@@ -518,4 +518,23 @@ compose написан на python, конфигурация в yaml-файла
 \end{itemize}
 
 
+\section{Оркестрация контейнеров}
+Оркестраторы управляют ЖЦ контейнеров микросервисных приложений. Задачи оркестратора:
+\begin{itemize}
+\item подготовка инфраструктуры и развёртывание -- установка приложения и его зависимостей на сервер, включая подготовку этого сервера -- установку библиотек, служб, и так далее.
+\item Разделение ресурсов -- Для развёртывания в кластере требуется...
+\item Масштабирование контейнеров на основе рабочих нагрузок -- простой излишних ресурсов приводит к издержкам, а недостаток -- к нестабильно йработе приложения. Регулировать объёмы используемых ресурсов позволяет масштабирование, основанное на анализе нагрузок. Может быть ручным или автоматизированным.
+\item Балансировка нагрузок -- автоматический анализ и распределение рабочих нагрузок на сервер целиком и контейнеры в частности. Балансировка оптимизирует использование ресурсов, увеличивает пропускную способность каналов связи,...
+\item Маршрутизация трафика
+\item Мониторинг состояния контейнеров -- позволяет видеть какие контейнеры и образы запущены
+\item Обеспечение безопасного взаимодействия между контейнерами -- на основе непрерывной оценки кластеров, узлов и реестра контейнеров...
+\end{itemize}
+
+\subsection{Kubernetes}
+Считается отраслевым стандартом
+\begin{itemize}
+\item мониторинг сервисов
+\item 
+\end{itemize}
+
 \end{document}

04-time-series-analysis-forecasting.tex

@@ -516,7 +516,31 @@ k=\frac{1}{\alpha_1}\\
   \end{gathered}
 \end{equation*}
 
+TS-Процесс.
+\begin{equation*}
+  \begin{gathered}
+    y_t = 0,5y_{t-1}+\xi_t+0,5t\\
+    \varphi(0) = \frac{\delta y_t}{\delta\xi_t} = 1\\
+    y_{t+1} = 0,5(t-1)+\xi_{t+1}+0,5y_t\\
+    \varphi(1) = \frac{2y_{t+1}}{\delta\xi_t} = 0,5\\
+    \varphi(2) = 0,25\\
+    \varphi(k) = 0,5^k
+  \end{gathered}
+\end{equation*}
 
+Взятие разностей TS-процесса (нельзя брать такие разности)
+\begin{equation*}
+  \begin{gathered}
+    y_t = 1+t+\xi_t-0,5\xi_{t-1}, \sigma_y^2=1,25\sigma_\xi^2\\
+    Var(y_t) = Var(1+t + \xi_t -0,5\xi_{t-1}) = \\
+    0 + \sigma^2 - 0,25\sigma^2\xi \\
+    y_t-y_{t-1} = 1+t+\xi_t-0,5\xi_{t-1} - (1+t-1+\xi_{t-1}-0,5\xi_{t-2})\\
+    1+\xi_t-1,5\xi_{t-1}+0,5\xi_{t-2}=\\
+    Var(z) = (1+2,25+0,25)\sigma_\xi^2
+  \end{gathered}
+\end{equation*}
+
+Для того чтобы проверить распределение Дики-Фуллера нужно построить константы и тренд и понять значимый ли тренд
 
 \appendix
 \setcounter{secnumdepth}{0}
@@ -586,5 +610,7 @@ r = число параметров модели, N - объём выборки.
 
 SARIMA(p,d,q)(P,D,Q,S) -- учёт сезонности.
 
+
+
 \end{document}
  

04-tsaf-01-hw.tex

@@ -31,7 +31,7 @@
 
 \section{Выполнение}
 \subsection{Обратимость и стационарность}
-Для процесса возможно построить характеристическое уравнение. Если корни характеристического уравнения авторегрессии по модулю больше 1, то процесс стационарен. Опишем в с помощью оператора сдвига
+Для процесса возможно построить характеристическое уравнение. Если корни характеристического уравнения по модулю больше 1, то процесс обратим. Опишем в с помощью оператора сдвига
 \[y_t = 1-2.5L+1L^2\]
 и решим квадратное уравнение
 \begin{equation*}
@@ -44,25 +44,33 @@ z_2 = \frac{-2.5+\sqrt{-2.5^2-4}}{2}\\
 z_2 = 1.25 - \sqrt{1.5625-1} \approx 0.5
   \end{gathered}
 \end{equation*}
-Только один корень уравнения по модулю больше, поэтому процесс \textbf{не является стационарным}.
+Только один корень уравнения по модулю больше, поэтому процесс \textbf{не является обратимым}.
 
-Процесс является обратимым если корни характеристического уравнения скользящего среднего процесса больше 1.
+Процесс \textbf{является стационарным} по теореме Вольда.
-\[1-1.5\lambda = 0\]
-Корень характеристического уравнения $\lambda = \frac{1}{1.5} = 0.6(6)$ -- процесс \textbf{не обратим}.
 
 \subsection{Автоковариационная функция}
+\begin{equation*}
+  \begin{gathered}
+    \gamma(0) = Var(y_t) = 8.25\\
+    \gamma(1) = cov(\xi_t - 2.5\xi_{t-1}+\xi_{t-2}, \xi_{t-1} - 2.5\xi_{t-2}+\xi_{t-3})=\\
+    = E[\xi_t - 2.5\xi_{t-1}+\xi_{t-2}, \xi_{t-1} - 2.5\xi_{t-2}+\xi_{t-3}] = \\
+    -2.5 \cdot 1 \cdot 1 + -2.5 \cdot 1 \cdot 1 = -5\\
+    \gamma(2) = E[\xi_t - 2.5\xi_{t-1}+\xi_{t-2}, \xi_{t-2} - 2.5\xi_{t-3}+\xi_{t-4}] = 1 \cdot 1 = 1\\
+    \gamma(3) = 0
+  \end{gathered}
+\end{equation*}
 
 \subsection{Дисперсия процесса}
 \begin{equation*}
   \begin{gathered}
-M[x] = \sum x_i p_i\\
+    Var(y_t) = ?\\
-M[x] = 0*1+1*(-2.5)+2*1 = -0.5\\
+    Var(y_t) = Var(\xi_t - 2.5\xi_{t-1}+\xi_{t-2})=\\
-D[Y] = \sum x^2_i p_i - \left(\sum x_i p_i \right)^2\\
+    = Var(\xi_t) +Var(-2.5\xi_{t-1})+Var(\xi_{t-2}))=\\
-D = 0^2*1+1^2+-2.5+2^2*1-(0*1+1*(-2.5)+2*1)^2=1.25
+    =Var(\xi_t) + 6.25(\xi_{t-1}) + Var(\xi_t) = \\
+    8.25 \cdot Var(\xi_t) = 8.25
   \end{gathered}
 \end{equation*}
 
-
 \subsection{Процесс ARMA(1, 1)}